論文の概要: KARMA: A Multilevel Decomposition Hybrid Mamba Framework for Multivariate Long-Term Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2506.08939v1
• Date: Tue, 10 Jun 2025 16:03:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:42.779761
• Title: KARMA: A Multilevel Decomposition Hybrid Mamba Framework for Multivariate Long-Term Time Series Forecasting
• Title（参考訳）: KARMA:多変量長期時系列予測のためのマルチレベル分割ハイブリッドマンバフレームワーク
• Authors: Hang Ye, Gaoxiang Duan, Haoran Zeng, Yangxin Zhu, Lingxue Meng, Xiaoying Zheng, Yongxin Zhu,
• Abstract要約: 伝統的な時系列分解法は単一であり、固定規則に依存している。 我々は,適応時間チャネル分解モジュール(ATCD)を用いて,トレンドや季節成分を動的に抽出するKARMAを紹介する。 さらにHFTD(Hybrid Frequency-Time Decomposition Module)を統合して、Seriesを周波数領域と時間領域に分解する。
• 参考スコア（独自算出の注目度）: 2.9629194094115183
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate long-term and efficient time series forecasting is a key requirement for a variety of practical applications, and there are complex interleaving time dynamics in time series data that require decomposition modeling. Traditional time series decomposition methods are single and rely on fixed rules, which are insufficient for mining the potential information of the series and adapting to the dynamic characteristics of complex series. On the other hand, the Transformer-based models for time series forecasting struggle to effectively model long sequences and intricate dynamic relationships due to their high computational complexity. To overcome these limitations, we introduce KARMA, with an Adaptive Time Channel Decomposition module (ATCD) to dynamically extract trend and seasonal components. It further integrates a Hybrid Frequency-Time Decomposition module (HFTD) to further decompose Series into frequency-domain and time-domain. These components are coupled with multi-scale Mamba-based KarmaBlock to efficiently process global and local information in a coordinated manner. Experiments on eight real-world datasets from diverse domains well demonstrated that KARMA significantly outperforms mainstream baseline methods in both predictive accuracy and computational efficiency. Code and full results are available at this repository: https://github.com/yedadasd/KARMA
• Abstract（参考訳）: 多変量長期かつ効率的な時系列予測は、様々な実用アプリケーションにとって重要な要件であり、分解モデリングを必要とする時系列データには複雑なインターリーブ時間ダイナミクスが存在する。 伝統的な時系列分解法は単項であり、固定規則に依存しており、系列の潜在的な情報をマイニングし、複素系列の動的特性に適応するには不十分である。 一方、時系列予測のためのTransformerベースのモデルは、長いシーケンスを効果的にモデル化し、計算複雑性が高いため、動的関係を複雑化するのに苦労する。 これらの制約を克服するため,適応時間チャネル分解モジュール(ATCD)を用いて,トレンドや季節成分を動的に抽出するKARMAを導入する。 さらにHFTD(Hybrid Frequency-Time Decomposition Module)を統合して、Seriesを周波数領域と時間領域に分解する。 これらのコンポーネントはマルチスケールのMambaベースのKarmaBlockと結合し、グローバルおよびローカル情報を協調的に効率的に処理する。 KARMAは、予測精度と計算効率の両方において、主流のベースライン法を著しく上回っていることを実証した。 コードと完全な結果は、このリポジトリで入手できる。

関連論文リスト

• TimeCF: A TimeMixer-Based Model with adaptive Convolution and Sharpness-Aware Minimization Frequency Domain Loss for long-term time seris forecasting [5.032613143415414]
  本稿では,TimeMixer に基づく時系列予測のためのディープラーニングモデル TimeCF を提案する。 TimeCFは、オリジナルの時系列を異なるスケールのシーケンスに分解する。 異なるスケールはFeed-Forward Networkを通じて集約される。
  論文  参考訳（メタデータ） (2025-05-23T06:39:20Z)
• Time Tracker: Mixture-of-Experts-Enhanced Foundation Time Series Forecasting Model with Decoupled Training Pipelines [5.543238821368548]
  時系列はしばしば、異なる時間帯と領域にまたがる時間パターンに顕著な多様性を示す。 Time Trackerは、精度、モデルの一般化、適応性を予測する際に最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-21T06:18:41Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• MPTSNet: Integrating Multiscale Periodic Local Patterns and Global Dependencies for Multivariate Time Series Classification [18.142252811096643]
  我々は,MPTSNet(Multiscale Periodic Time Series Network)を提案する。 MPTSNetは、マルチスケールな局所パターンとグローバルな相関を統合し、時系列の固有情報をフル活用する。 UEAベンチマークデータセットの実験は、提案されたMPTSNetがMTSCタスクの21の高度なベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-03-07T17:07:51Z)
• UmambaTSF: A U-shaped Multi-Scale Long-Term Time Series Forecasting Method Using Mamba [7.594115034632109]
  本稿では,新しい時系列予測フレームワークであるUmambaTSFを提案する。 U字型エンコーダ・デコーダ多層パーセプトロン(MLP)のマルチスケール特徴抽出機能とMambaのロングシーケンス表現を統合する。 UmambaTSFは、広く使用されているベンチマークデータセットで最先端のパフォーマンスと優れた汎用性を達成する。
  論文  参考訳（メタデータ） (2024-10-15T04:56:43Z)
• TSCMamba: Mamba Meets Multi-View Learning for Time Series Classification [13.110156202816112]
  シフト等分散のような特性を持つパターンを捉えるための新しい多視点手法を提案する。 提案手法は, スペクトル, 時間, 局所, グローバルな特徴を含む多様な特徴を統合して, TSCのリッチで相補的な文脈を得る。 提案手法では,TSCモデルよりも平均精度が4.01-6.45%,7.93%向上した。
  論文  参考訳（メタデータ） (2024-06-06T18:05:10Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。